40 个发现
由 ZEISS Microscopy 开发，该仓库提供了一系列 Jupyter Notebook，旨在演示 ZEN 软件与 Python 的深度集成。它为研究人员和开发者提供了处理 CZI 图像文件、提取元数据及实现深度学习流水线的实用指南。通过 pylibczirw 和 czmodel 等核心工具，用户可以轻松打通专有显微成像数据与现代 AI 驱动图像处理任务之间的壁垒。
LLMStudyGuide 是一个交互式网页资源，旨在帮助开发者和研究人员准备 AI 技术面试。该项目由 shanselman 创建，基于 Hao Hoang 的权威 PDF 指南，精选了 50 个涵盖大模型、Transformer 和 NLP 的面试问答。通过提供扩展背景知识、外部学习资源及内置进度追踪功能，它成为了巩固现代机器学习概念的必备学习工具。
denniszielke 开发的 ai-agents-workshop 是一个旨在教导开发者如何构建和部署 AI 智能体的教育资源库。它提供了涵盖 LangChain、LangGraph、LlamaIndex 和 Semantic Kernel 等行业标准框架的实战练习。该教程专注于 Azure 集成，为希望掌握从基础编排到复杂多智能体系统等智能体工作流的工程师提供了结构化的学习指南。
yashsarode45/LangChain-LangGraph 是一个教育型代码仓库，包含一系列旨在教授开发者构建复杂 AI 应用的 Jupyter Notebook。该资源由 Yash Sarode 创建，专注于 LangChain 和 LangGraph 的最新 v1.x API。它提供了一条结构化的学习路径，从基础概念出发，逐步深入到高级智能体工作流和 RAG 实现，是开发者掌握现代大模型编排模式的必备指南。
Aronno1920/AI-Engineering 是一个为开发者量身定制的沉浸式学习计划，包含19个模块。它通过理论与实践相结合的方式，涵盖了LLM、LangChain、计算机视觉及可解释AI等核心领域，为掌握现代AI工程技术提供了结构化的路线图。
Effective LLM Applications 是由 wmeints 创建的实战型代码库，旨在为 C# 开发者提供构建稳健 AI 解决方案的指南。该项目重点介绍了如何利用微软的 Semantic Kernel 开发应用，涵盖了检索增强生成 (RAG)、结构化输出、工具调用及严格的测试策略，帮助开发者将原型转化为可靠的企业级 AI 软件。
dmcteknoloji/sql-server-2025-kitap 是一个开源教育资源，深入解析了 SQL Server 2025。该项目由 DMC Teknolojisi 社区创建，是一本涵盖高级数据库功能的综合手册，包括 DiskANN、向量嵌入和 RAG（检索增强生成）工作流。它提供了实用的 T-SQL 代码示例、勘误表和社区问答，是希望在 Microsoft SQL Server 生态系统中利用 AI 能力的开发人员和数据库管理员的必备参考资料。
elisaterumi-ai/agent-skills-in-practice 是一个旨在揭秘 AI 智能体技能概念的教育类资源库。由 elisaterumi-ai 创建，它为开发者提供了一套结构化框架，用于在基于大语言模型的智能体架构中设计、组织和部署功能性能力。通过弥合理论设计与实际实现之间的鸿沟，该资源帮助工程师构建更可靠、更强大的自主系统，使其能够与外部工具和环境进行有效交互。
该资源库由卡内基梅隆大学“数据科学促进社会公益”（DSSG）项目开发，作为“公共政策机器学习实验室”课程的核心教材。它通过实用的 Jupyter Notebooks 和教学资源，帮助学生与从业者弥合先进机器学习技术与复杂社会政策议题之间的鸿沟，专注于为公共利益提供数据驱动的决策支持。
该项目由 Neo4j-partners 维护，为开发者提供了一套完整的实践实验室环境，旨在将 Neo4j 的图数据库能力与 Google Cloud 的 AI 生态系统相结合。通过结构化的教程和代码示例，展示了如何利用 Gemini、Vertex AI 和 Google Cloud 基础设施构建智能化的图驱动应用。它是数据科学家和工程师实现基于图上下文的 RAG（检索增强生成）及机器学习工作流的理想桥梁。
该项目由 Sebastian Raschka 创建，通过 Jupyter Notebook 详细对比了 AutoAugment、RandAugment、AugMix 和 TrivialAugment 四种主流自动图像增强方法。它展示了这些技术在 PyTorch 生态中的具体实现，为研究人员和开发者提供了通过自动化数据预处理提升模型泛化能力的实用指南。
由 Clement Escoffier 创建的 quarkus-langchain4j-workshop 是为 Java 开发人员提供的全面教育资源。它提供了一条结构化的路径，指导开发者利用 Quarkus 框架和 LangChain4j 库将大语言模型（LLM）集成到企业级应用中。该仓库包含实用的练习和代码示例，旨在帮助开发者掌握 Java 生态系统中的 AI 编排、提示工程和向量数据库集成。
NDXDeveloper 的 formation-mariadb 是一个包含 20 个模块的 MariaDB 12.3 LTS 结构化教程。它深入讲解了 SQL 优化、事务、复制以及使用 Galera 和 MaxScale 构建高可用集群的技术。该资源特别包含了 MariaDB Vector 模块，使开发者能够直接在数据库中实现 AI 和 RAG（检索增强生成）工作流所需的向量搜索功能，非常适合希望掌握现代数据库架构和 AI 数据管理的 DBA 及 DevOps 工程师。
CodelyTV/ai-search_engine_with_rag-course 是一个旨在教导开发者如何实现检索增强生成 (RAG) 系统的教学仓库。由 CodelyTV 团队创建，该项目提供了将 AI 搜索功能集成到应用程序中的实战示例。它专注于利用 PostgreSQL 作为向量数据库，结合 pgvector 和 pgai，使开发者能够使用 TypeScript 构建高效、可扩展的搜索引擎，将传统关系型数据与现代语义搜索技术相结合。
由 yizhe-ang 开发的 k-means-explorable 是一个基于 Web 的交互式教学工具，旨在揭开 K-Means 聚类算法的神秘面纱。该项目使用 Svelte 构建，提供直观的动手体验，用户可以操作数据点并实时观察质心的移动及聚类的形成。通过将抽象的数学概念转化为可探索的界面，该项目为希望掌握无监督学习基本机制的学生和从业者提供了极佳的教育资源。
《Pragmatic AI》是 Noah Gift 编写的一部综合性资源，旨在弥合机器学习理论与云原生实现之间的鸿沟。它为开发者和数据科学家提供了一份实用指南，指导如何利用 AWS、Azure 和 GCP 等主流云服务商来构建、扩展并部署 AI 应用。该仓库包含代码示例、Jupyter Notebook 和架构模式，展示了如何将无服务器技术与云服务集成到实际的机器学习工作流中。
Intro-Course-AI-ML/LessonMaterials 是一个开源项目，为学生和初学者提供结构化的 AI 与机器学习教育课程。该项目由 Intro-Course-AI-ML 社区维护，包含一系列 Jupyter Notebook 和教学材料，旨在教授 AI 和机器学习的核心概念。通过动手编程练习与理论讲解，该资源为学习者构建技术能力提供了坚实基础，让高质量的 AI 教育变得更加普及。
Microsoft IoT Curriculum 是一个为学生和教育工作者设计的开源教育资源。它提供了结构化的动手实验，涵盖了物联网 (IoT)、边缘计算和人工智能集成的基础知识。该资源由微软开发，适用于大学、编程训练营和社区学院，帮助学习者利用 Azure IoT 服务、Python 以及树莓派和 NVIDIA Jetson 等硬件构建实际项目。
《AlphaGo Simplified》是 Mark H. Liu 所著 2024 年 CRC Press 出版书籍的配套代码库。它通过“最后硬币”、“井字棋”和“四子棋”等简单游戏，提供了对复杂 AI 架构（如 Deep Blue 的规则引擎和 AlphaGo 的深度强化学习）的实用化教学实现，旨在帮助学习者弥合 AI 理论研究与实际代码之间的鸿沟。
MIT-Efficient-AI 是一个汇集了 MIT 6.S965 和 6.5940 课程讲义及教学材料的精选仓库。它专注于 TinyML 与高效深度学习的交叉领域，为学生和研究人员提供了在资源受限硬件上优化神经网络所需的基础知识。该仓库是理解如何在边缘设备上部署高性能 AI 模型的重要学术资源，涵盖了剪枝、量化及高效架构设计等核心技术。
该仓库由 mzarnecki 提供，汇集了一系列专注于开发智能体 AI 应用的 Jupyter Notebook。它涵盖了使用 LangChain 和 LangGraph 生态系统构建、编排及评估大模型智能体的全流程。作为一套实践课程，它引导开发者掌握复杂的智能体工作流、提示工程技巧以及多智能体系统的实现，是掌握现代 AI 应用开发的必备资源。
videodb-cookbook 由 VideoDB 团队维护，是一个包含 Jupyter Notebook 的综合资源库，旨在帮助开发者将视频数据集成到 AI 工作流中。它提供了针对视频内容实现 RAG（检索增强生成）、多模态搜索及自动化视频处理的实战案例。通过利用 VideoDB 的基础设施，该指南简化了视频流索引、查询和分析的复杂性，使开发者能够以极少的样板代码构建复杂的 AI 驱动型视频应用。
IBM Granite Workshop 是一个由 IBM 开发的开源代码库，旨在帮助开发者学习如何应用 Granite AI 模型。该库包含一系列 Jupyter Notebook，提供关于核心 AI 任务的循序渐进式指导。用户可以深入探索提示词工程、检索增强生成 (RAG)、文本摘要和时间序列预测。它为希望将企业级 Granite 模型集成到应用中的工程师提供了宝贵的实战资源，有效弥合了理论知识与实际部署之间的差距。
微软推出的“Generative AI with JavaScript”是一套为开发者设计的交互式项目驱动课程。它通过独特的穿越时空叙事方式，教授提示词工程、RAG 和大模型集成等核心 AI 概念。学习者通过与历史名人“互动”来编写代码，从而获得现代 AI 工具和框架的实践经验，使从传统 Web 开发向 AI 应用开发的转型变得既有趣又易于上手。
SchoolOfAISaoPaulo/aulas 是一个开源代码库，汇集了圣保罗人工智能学院的系列教学课程。该项目由社区贡献，通过实用的 Jupyter Notebook 指导学习者掌握线性回归、统计学、GANs 和 LSTM 神经网络等核心概念。对于希望使用 Python 构建机器学习基础的学生和从业者来说，这是一个极具价值的学习资源。
该项目由全北国立大学的 Minh-Chien Trinh 开发，提供了一系列专为深度学习和计算机视觉研究生课程设计的 Jupyter Notebook。它为学生和从业者提供了实用的动手实践资源，通过不依赖高级抽象库的方式，从底层实现神经网络，帮助用户深入理解其核心运行机制。
RiazML/math-for-llms 是一个开源教育资源库，为 AI 从业者提供了完整的数学知识体系。该项目由 RiazML 创建，通过一系列 Jupyter Notebook 弥合了基础理论与前沿研究之间的鸿沟。内容涵盖线性代数、微积分、概率论及优化算法，专门针对现代神经网络和 Transformer 架构的底层原理进行讲解，是深入理解深度学习核心理论的绝佳学习路径。
LUMI AI Guide 是由 LUMI 超级计算机团队提供的核心资源，旨在帮助研究人员和开发者将 AI 应用迁移至高性能计算（HPC）环境。该指南涵盖了针对 LUMI 架构优化的分布式训练、多 GPU 扩展及 MLOps 工作流。通过提供实用的教程与最佳实践，它填补了标准云端机器学习与大规模超级计算之间的鸿沟，助力用户充分利用全球最快系统之一的算力。
Tour of Agents 是由 ahumblenerd 开发的互动式教育资源，旨在帮助开发者快速掌握 AI 智能体的工作原理。该课程利用 Pyodide 在浏览器中直接运行 Python 代码，无需复杂的本地配置即可提供动手实践体验。它涵盖了智能体工作流的核心机制，是开发者从基础 LLM 提示词转向使用主流框架构建自主多步 AI 智能体的理想起点。
《Easy Data x AI》是由 Datawhalechina 开发的 AI 入门课程，旨在为 AI 爱好者提供结构化的双轨学习路径，连接数据科学与 AI Agent 开发。课程侧重于实践，教授如何利用数据驱动的洞察力构建智能体，涵盖上下文工程、记忆管理以及使用现代框架进行数据库集成等核心内容。
该项目由 Amirhossein Honardoust 创建，是一份深入探讨检索增强生成 (RAG) 与模型微调 (Fine-Tuning) 之间权衡的专业指南。它提供了清晰的工作流程、决策框架及 LLM 实施的最佳实践。通过分析两种方案的优劣，该指南帮助开发者判断何时应使用外部知识检索，何时应调整模型权重，从而在实际场景中构建更高效、更准确的生成式 AI 应用。
Snailclimb/AIGuide 是一个为开发者打造的 AI 技术知识库。由 Snailclimb 创建，旨在提供深入的 AI 应用开发见解、实战教程及工程策略。内容涵盖大语言模型 (LLM)、AI Agent、检索增强生成 (RAG)、模型上下文协议 (MCP) 以及 Claude Code 和 Cursor 等前沿编程工具，是开发者掌握 AI 工程技术与准备相关面试的必备手册。
Claude Code from Scratch 是由 Windy3f3f3f3f 发起的开源教育项目，旨在揭开 AI 编程代理的神秘面纱。该项目摒弃了 Claude Code 原版 50 万行代码的复杂性，通过约 4000 行 Python 和 TypeScript 代码实现了核心架构。通过 11 章分步教程，开发者可以深入理解构建功能性编程代理所需的底层逻辑、工具调用机制及编排策略。
jinbooooom/ai-infra-hpc 是一个专注于现代 AI 基础设施底层技术的教育性资源库。由 jinbooooom 创建，旨在提供高性能计算（HPC）的系统性课程。该项目涵盖了 MPI 和 NCCL 集合通信、CUDA 编程、SIMD 向量化以及 RDMA 网络等关键底层技术，是工程师深入理解大规模大模型训练所需软硬件协同设计的核心参考资料。
aipath 是由 buynao 开发的开源交互式教育项目，旨在揭开人工智能的神秘面纱。该课程包含 30 节精心设计的课程，无需深厚的数学背景即可理解复杂的 AI 概念。通过侧重于概念理解与直觉培养，它为非技术人员、学生及希望掌握机器学习与 AI 架构基础的专业人士提供了一个结构化、可自学的入门路径。
Lightning-AI/dl-fundamentals 是由 Lightning AI 团队开发的教育资源库，旨在教授深度学习的核心概念。该项目通过一系列结构化的 Jupyter Notebook 和练习，引导学习者掌握现代机器学习工作流。通过 PyTorch 实现，该项目提供了实用的代码优先课程，弥合了理论理解与实际应用之间的差距，是学生和从业者巩固深度学习基础的必备资源。
《Grokking Artificial Intelligence Algorithms》是 Rishal Hurbans 所著书籍的官方配套代码库。它提供了基础人工智能和机器学习算法的简洁、易懂的 Python 实现。涵盖了从搜索算法、进化计算到神经网络和强化学习等广泛内容，旨在帮助开发者和学生弥合理论概念与实际代码执行之间的鸿沟。
《从零精通 AI 工程》（中文版）是一个详尽的教育资源库，旨在引导开发者成为 AI Agent 工程师。该项目由 fancyboi999 创建，提供了一个结构化的 20 阶段学习路径，包含 503 节课程。它提供高质量的中文翻译、配套学习站点及动画视频讲解，涵盖了从 AI 基础概念到高级智能体工作流及大模型集成的全方位内容。
AI-Practices 是由 zimingttkx 创建的教育型代码库，提供了一系列结构化的 Jupyter Notebook，旨在帮助用户掌握机器学习与深度学习。内容涵盖了从线性回归到神经网络、CNN 和 RNN 等核心架构。该项目通过 Keras、PyTorch 和 Scikit-learn 等主流框架进行清晰的实现，是学生及从业者将理论转化为实际应用的最佳实践指南。
本仓库包含了 James Ma Weiming 所著《Mastering Python for Finance, Second Edition》一书的官方源代码。它为希望使用 Python 实现量化金融模型的开发者和金融分析师提供了实用的指南。该合集包含大量 Jupyter Notebook，涵盖了时间序列分析、投资组合优化、衍生品定价以及机器学习在金融市场中的应用等核心主题，为构建稳健的金融系统提供了实践路径。
